electricsheepafrica/africa-ilo-emp-pifl-sex-age-jbt-nb-employment-outside-the-formal-sector-by-sex-age-an

该数据集包含非洲43个国家从2000年至2025年期间的非正规部门就业数据，共有27,174个观测值。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤至非洲国家。核心指标为EMP_PIFL_SEX_AGE_JBT_NB，表示按性别、年龄和工作时间安排划分的非正规部门就业人数（以千计）。数据集提供了结构化表格，包括国家代码（ref_area）、指标代码（indicator）、性别分类（sex，如总计、男性、女性）、年龄分类（classif1）、工作时间安排分类（classif2）、观测年份（time）、观测值（obs_value）以及数据质量标志（如观测状态、备注）等列。数据覆盖年度频率，并包含数据来源和分类维度的详细信息，适用于表格分类、回归和时间序列预测等任务。数据集由Electric Sheep Africa重新打包，以支持机器学习研究，遵循CC-BY-4.0许可。--- 许可证: CC BY 4.0 语言: - 英语 任务类别: - 表格分类 - 表格回归 - 时间序列预测 多语言属性: 单语言 样本量范围: - 10000 < 样本量 < 100000 标签: - 表格数据 - 非洲 - ILOSTAT - 非正规经济 - ILO - 劳工 - 就业 数据集名称: 按性别、年龄和工作时间安排划分的非正规部门就业人数（单位：千人）| 非洲（ILOSTAT） --- # 按性别、年龄和工作时间安排划分的非正规部门就业人数（单位：千人）| 非洲（ILOSTAT） 🌍 **27174条观测数据** · **覆盖43个非洲国家** · **时间跨度为2000年至2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 快速概览 本数据集包含**43个非洲国家、2000年至2025年期间的27174条非正规经济（Informal economy）相关观测数据**，仅包含1项核心指标。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）**是国际劳工组织（International Labour Organization, ILO）的核心统计数据库，也是全球领先的劳工统计权威来源。它整合了就业、失业、薪资、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标体面工作目标等领域的指标，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录。其覆盖全球200多个经济体，数据的标准化工作由国际劳工组织统计司负责。 - **数据源**: [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_JBT_NB) - **发布方**: 国际劳工组织（ILO） - **许可证**: [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**: 非正规经济（Informal economy） ## 数据处理方法 本数据集直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EMP_PIFL_SEX_AGE_JBT_NB`拉取数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码对应的样本。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）的定义对原始调查微观数据进行标准化处理；数据来源将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 本数据集覆盖43个非洲国家，以下为按数据行数排序的前15个国家： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 3,600 | 2000 | 2024 | | `EGY` | 2,016 | 2008 | 2023 | | `RWA` | 1,728 | 2017 | 2025 | | `ZMB` | 1,536 | 2017 | 2024 | | `MLI` | 1,440 | 2013 | 2024 | | `MUS` | 1,152 | 2012 | 2019 | | `UGA` | 1,056 | 2010 | 2021 | | `ZWE` | 1,008 | 2011 | 2024 | | `AGO` | 1,008 | 2019 | 2025 | | `BWA` | 1,008 | 2006 | 2024 | | `SEN` | 1,004 | 2011 | 2024 | | `CIV` | 864 | 2012 | 2022 | | `NAM` | 828 | 2012 | 2018 | | `SYC` | 634 | 2019 | 2024 | | `GMB` | 624 | 2012 | 2025 | | ... | _另有28个国家_ | | | ## 指标（示例） - `EMP_PIFL_SEX_AGE_JBT_NB` — 按性别、年龄和工作时间安排划分的非正规部门就业人数（单位：千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | 字符串 | ISO 3166-1 alpha-3国家代码 | `AGO` | | `ref_area.label` | 字符串 | 英文国名 | `安哥拉` | | `source` | 字符串 | ILOSTAT数据源代码（例如劳动力调查） | `BA:13951` | | `source.label` | 字符串 | 英文数据源名称 | `LFS - 就业调查` | | `indicator` | 字符串 | ILOSTAT指标代码 | `EMP_PIFL_SEX_AGE_JBT_NB` | | `indicator.label` | 字符串 | 英文指标名称 | `按非正规部门划分的就业人数……` | | `sex` | 字符串 | 按性别拆分的维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | 字符串 | — | `总计` | | `classif1` | 字符串 | 第一分类变量（年龄、教育程度、就业状态等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | 字符串 | — | `年龄（青年、成人）：15岁及以上` | | `classif2` | 字符串 | 可选第二分类变量 | `JBT_TIME_TOTAL` | | `classif2.label` | 字符串 | — | `工作时间安排：总计` | | `time` | 64位整数 | 观测年份 | `2025` | | `obs_value` | 64位浮点数 | 观测指标值（单位因指标而异，请参考指标定义） | `11270.18` | | `obs_status` | 字符串 | 观测状态标记（例如临时数据、不可靠数据） | `B` | | `obs_status.label` | 字符串 | — | `序列中断` | | `note_classif` | 64位浮点数 | — | `—` | | `note_classif.label` | 64位浮点数 | — | `—` | | `note_indicator` | 字符串 | — | `I11:264` | | `note_indicator.label` | 字符串 | — | `序列中断：方法学修订` | | `note_source` | 字符串 | — | `R1:3513` | | `note_source.label` | 字符串 | — | `存储库：ILO统计司 - 微观数据……` | ## 拆分维度 以下字段提供数据拆分维度： - **`sex`**（共3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据。部分指标同时发布月度或季度序列，但本数据集未包含此类数据。 - 当同一国家×年份的同一指标存在多个数据源时，将采用国际劳工组织选定的“最优数据源”。 - 仅当指标支持对应拆分维度时，拆分字段（`sex`、`classif1`、`classif2`）才不会为空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-pifl-sex-age-jbt-nb-employment-outside-the-formal-sector-by-sex-age-an") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_JBT_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_AGE_JBT_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_JBT_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_pifl_sex_age_jbt_nb_employment_outside_the_formal_sector_by_sex_age_an_2025, title = {Employment outside the formal sector by sex, age and working time arrangement (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_JBT_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-pifl-sex-age-jbt-nb-employment-outside-the-formal-sector-by-sex-age-an}} } ## 许可证 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)许可证发布。原始数据版权归国际劳工组织（ILO）所有。使用本数据集时，请同时引用上述原始数据源及Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适配机器学习的非洲地区数据层。我们从权威开源数据源拉取数据，标准化数据结构，封装为Parquet格式，并发布格式统一的数据集卡片，使研究人员和开发者可以通过`load_dataset()`函数在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月26日通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_JBT_NB_

搜集汇总

数据集介绍

构建方式

该数据集根植于国际劳工组织（ILO）对非正规经济部门就业状况的长期统计监测体系，其构建遵循严格的数据治理规范。原始数据由ILOSTAT数据库采集并汇整，涵盖2000至2025年间43个非洲国家的劳动力市场调查与人口普查结果。Electric Sheep Africa在此基础上执行元数据标准化流程，将分散于各源文件中的非正规部门就业观测值统一重构为Parquet格式，并附加清晰的地理、性别、年龄及工作时间安排等维度标签。整个编纂过程保留了原始缺失值，未施加插补处理，确保数据可追溯且忠实于上游统计口径。

特点

该数据集的核心特征体现在其鲜明的地域聚焦与多维分类架构之上。27,174条观测值围绕非洲非正规部门就业这一主题，按性别、年龄组及工作时间安排进行交叉细分，单位以千人计，为洞察劳动力市场边缘群体的异质性提供了精细的量化切片。数据以表格模态呈现，辅以文本元数据支撑，覆盖43个非洲国家，时间跨度长达四分之一世纪，具备开展跨国比较与长时段趋势分析的潜力。其标签体系兼顾劳动经济学与金融分析需求，已通过标准化元数据标注适配表格分类与回归任务。

使用方法

研究人员可借助Hugging Face datasets库便捷地加载该数据集，通过指定仓库路径获取完整数据集对象，并探查其结构、特征字段及样本记录。针对表格数据，可将目标分片转换为Pandas数据框，以便执行描述性统计、缺失模式诊断及变量分布分析。在建模之前，应依据数据文件核实变量定义与计量单位，审慎处理未声明的地理字段，并保留缺失值以待合理的插补策略。该数据集鼓励与Electric Sheep Africa目录内其他非洲数据集进行基于国家、年份及指标字段的链接与融合，以支撑可复现的实证研究工作流。

背景与挑战

背景概述

非正规经济就业的统计测度长期以来构成劳动经济学与发展经济学交汇处的核心议题，而非洲作为全球非正规就业占比最高的区域，其数据基础的薄弱严重制约了实证研究的深入。该数据集由Electric Sheep Africa于2026年基于国际劳工组织ILOSTAT数据库整理发布，以标准化元数据框架重新封装了2000至2025年间43个非洲国家约27,174条观测记录，按性别、年龄与工作时间安排细分非正规部门外就业规模。Electric Sheep Africa致力于在Hugging Face平台发布面向机器学习的非洲公共数据集，此成果为跨国别、跨时间的非正规就业比较研究提供了可复现的结构化基础。

当前挑战

该数据集所回应的领域问题在于非正规就业统计长期受制于定义分歧、调查口径不一与跨国可比性不足，掩盖了非洲劳动力市场中性别与年龄维度的结构性差异。构建过程中的具体挑战则包括：原始ILOSTAT数据在部分国家与年份存在系统性缺失，需在保留缺失值与保障分析可用性之间取得平衡；库存元数据中country与upstream_publisher字段尚存缺口，地理信息的确认须依赖标题或来源推断；指标定义与计量单位的异质性要求使用者在建模前进行严格的一致性核验，避免仅凭标签臆断政策含义。

常用场景

经典使用场景

在劳动经济学与非正规经济研究的交织领域中，该数据集以非洲43国2000至2025年间27174条观测记录为基石，系统呈现了非正规部门就业人口按性别、年龄及工作时间安排划分的分布态势。研究者惯常将其用于刻画非洲各国非正规就业的性别差异与年龄梯度，借助面板数据框架追踪非正规就业规模的时序演变，并依托国别横截面比较揭示区域劳动力市场的结构性分化。

衍生相关工作

该数据集经由Electric Sheep Africa的标准化元数据工程，得以与非洲劳动力调查、ILOSTAT其他指标及区域经济面板数据实现国别与年份维度的联结，催生了一系列跨数据源的比较劳动经济学分析。相关衍生物包括非正规就业与贫困脆弱性的关联研究、非正规部门与宏观经济波动的耦合分析，以及基于机器学习方法的非洲就业结构聚类与预测建模，持续拓展着非洲劳动统计数据的学术应用边界。

数据集最近研究

最新研究方向

伴随非正规经济在全球南方劳动力市场中持续扩张，针对非洲地区就业结构转型的量化研究正从总量估算转向按性别、年龄与工时安排细分的异质性分析。该数据集依托国际劳工组织ILOSTAT的标准化框架，覆盖43个非洲国家2000至2025年间27174条观测，为刻画非正规部门就业的动态演变提供了长时序面板基础。前沿研究聚焦于利用此类细分维度揭示性别与年龄组在非正规就业中的差异化脆弱性，并结合工作时长安排识别生计型就业与隐性失业的边界。在数字经济扩张与结构性转型并行的背景下，该数据资源有助于评估非正规就业对减贫、社会保障扩面及劳动政策改革的政策含义，为非洲劳动力市场治理提供实证支撑。